Agent-Planning

Fähigkeit eines KI-Agenten, komplexe Ziele in Teilaufgaben zu zerlegen, einen Ausführungsplan zu generieren, ihn dynamisch anzupassen und über mehrere Schritte hinweg zielgerichtet zu handeln.

Definition

Agent-Planning bezeichnet die Fähigkeit eines KI-Agenten, ein Ziel in eine geordnete Folge von Teilaufgaben zu zerlegen, sie auszuführen und den Plan unterwegs anzupassen. Es ist der Übergang vom reinen Reagieren auf den letzten Prompt zum vorausschauenden, zielgerichteten Handeln über mehrere Schritte hinweg.

Im engeren Sinn umfasst Planning drei Aspekte: Decomposition (Zerlegung), Sequencing (Reihenfolge) und Adaptation (dynamische Anpassung). Klassische Robotik- und Symbolic-AI-Forschung hat dafür seit den 1970er Jahren Algorithmen entwickelt, etwa STRIPS oder HTN. Moderne LLM-Agenten kombinieren diese Ideen mit der Flexibilität freier Textgenerierung.

Mechanismus und Architektur

Ein typischer Planning-Loop besteht aus mehreren Phasen:

Goal Interpretation: Das Modell parst das vom User gegebene Ziel und identifiziert Constraints, Erfolgskriterien und implizite Annahmen.
Decomposition: Aufteilung in Subtasks, häufig in einem strukturierten Format wie JSON oder einer Hierarchie. Sub-Goals können wiederum eigene Decomposition durchlaufen.
Tool-Auswahl: Pro Subtask entscheidet der Agent, welches Tool oder welcher Sub-Agent verwendet wird.
Execution: Die geplanten Aktionen werden ausgeführt, Ergebnisse zurückgespielt.
Reflection: Nach jedem Schritt oder nach Abschluss prüft der Agent, ob das Subziel erreicht wurde, und passt den Plan bei Bedarf an.

Frameworks wie LangGraph, AutoGen, CrewAI und Anthropic Workflows kapseln diese Phasen in wiederverwendbare Bausteine.

Wichtige Planning-Muster

ReAct: Yao et al. 2022, verschränkt Thought, Action und Observation in jedem Schritt. Niedrige Latenz, gut für interaktive Agenten.
Plan-and-Solve: Wang et al. 2023, generiert zuerst einen vollständigen Plan, danach Schritt-für-Schritt-Ausführung. Klar strukturiert, aber starr.
Tree of Thoughts: Yao et al. 2023, exploriert mehrere Plan-Pfade in einem Suchbaum und wählt den besten. Teuer, aber stark bei harten Problemen.
Reflexion: Selbstkritik nach Misserfolg, gefolgt von einem revidierten Plan. Verbessert Agent-Erfolgsraten in Multi-Step-Benchmarks deutlich.
Hierarchical Task Networks: Übernahme aus der klassischen Robotik, mehrstufige Pläne mit Sub-Plänen pro Abstraktionsebene.

Praxis und Anwendung

Planning-Agenten kommen in unterschiedlichen Domänen zum Einsatz:

Coding-Agenten: Devin, Cursor Agent, Cline. Planen Refactors, Feature-Implementierungen und Bug-Fixes über viele Files.
Research-Agenten: Deep Research, Perplexity Pro. Planen mehrschrittige Web-Recherchen mit Quellenverifikation.
Browser-Agenten: OpenAI Operator. Planen mehrschrittige Interaktionen mit Web-Oberflächen, etwa Buchungen oder Formular-Workflows.
Operations-Agenten: Automation von DevOps-Workflows, Incident-Response, Deploy-Pipelines.
Customer-Workflows: Mehrtägige Kundenanliegen, Ticket-Eskalationen, Cross-System-Updates.
Multi-Agent-Systeme: Ein Orchestrator-Agent plant, Worker-Agenten führen aus.

In der Praxis ist ein hybrider Ansatz üblich: kurze Aufgaben laufen in einem ReAct-Loop, lange Aufgaben starten mit Plan-and-Solve und greifen bei Misserfolg auf Reflexion zurück.

Häufige Fehler

Over-Planning: Detaillierte Pläne für triviale Aufgaben verursachen unnötige Latenz und Token-Kosten.
Under-Planning: Komplexe Aufgaben ohne expliziten Plan enden in Sackgassen oder Schleifen.
Keine Erfolgskriterien: Ohne klare Done-Bedingungen pro Subtask weiss der Agent nicht, wann er weitergehen soll.
Blindes Vertrauen in Tool-Outputs: Plan-Änderungen werden auf Basis falscher Beobachtungen vorgenommen.
Fehlende Budget-Kontrolle: Ohne maximale Schrittzahl oder Kosten-Cap eskalieren Planning-Loops.
Statische Pläne in dynamischen Umgebungen: Kein Replanning bei Misserfolg führt zu kaskadierenden Fehlern.

Abgrenzung

Reasoning: Logisches Schliessen innerhalb eines Schritts, Planning operiert über mehrere Schritte.
Tool-Use: Die Ausführungsschicht, Planning entscheidet, welches Tool wann verwendet wird.
Workflow-Engine: Statische Definition fester Abläufe, Planning erzeugt sie dynamisch.
Prompt-Chaining: Verkettete Prompts ohne expliziten Plan, Planning ist die strukturierte Version davon.
Klassisches Symbolic Planning: STRIPS, PDDL, HTN. Formal und exakt, aber starr. LLM-Planning ist flexibler, dafür unzuverlässiger.

Weiter im KI-Lexikon

← Zurück zum Lexikon

Häufige Fragen

Was ist Agent-Planning?+

Agent-Planning bezeichnet die Fähigkeit eines KI-Agenten, ein Ziel in eine Folge von Teilaufgaben zu zerlegen und diese geordnet auszuführen. Der Plan kann statisch vor Beginn der Ausführung erzeugt oder dynamisch während der Aufgabe angepasst werden, je nach Komplexität und Unsicherheit der Domäne.

Warum ist Planning für Agenten wichtig?+

Reine Reaktion auf den letzten Turn führt bei komplexen Aufgaben zu Sackgassen, Schleifen oder Halluzinationen. Mit einem expliziten Plan kann der Agent vorausschauend arbeiten, Subziele setzen, Erfolg messen und sich selbst korrigieren. Planning ist die Brücke von Chatbots zu zielgerichteten Agenten.

Was sind die wichtigsten Planning-Muster?+

Etabliert sind vier Muster: ReAct mit verschränktem Thought-Action-Cycle, Plan-and-Solve mit explizitem Vorab-Plan, Tree of Thoughts mit Suchbaum über Alternativ-Pfade, und Reflexion mit nachgelagerter Selbstkritik. Moderne Agenten kombinieren häufig mehrere Muster je nach Aufgaben-Phase.

Wie funktioniert Task-Decomposition?+

Task-Decomposition zerlegt ein übergeordnetes Ziel in atomare, einzeln ausführbare Schritte. Das LLM erhält das Ziel und gibt eine geordnete Liste von Subtasks zurück, oft im strukturierten Format wie JSON. Anschliessend werden Subtasks einzeln ausgeführt, gegebenenfalls von Sub-Agenten mit spezialisierten Tools.

Was ist hierarchisches Planning?+

Hierarchisches Planning arbeitet auf mehreren Abstraktionsebenen: ein High-Level-Plan beschreibt grobe Phasen, jeder Phase wird zur Laufzeit ein detaillierter Sub-Plan zugeordnet. Das reduziert kognitive Last und passt sich besser an unbekannte Zwischenstände an. Klassische Robotik nutzt das seit Jahrzehnten, LLM-Agenten übernehmen es zunehmend.

Wie wird ein Plan zur Laufzeit angepasst?+

Drei Mechanismen sind verbreitet: Replanning, wenn ein Subtask scheitert, Plan-Refinement, wenn neue Informationen eintreffen, und Backtracking, wenn ein Pfad in eine Sackgasse läuft. ReAct-Muster machen die Plananpassung explizit Teil jedes Thought-Schritts. Reflexion-Loops fügen nach jedem Misserfolg eine Selbstkritik hinzu.

Welche Rolle spielen Tools im Planning?+

Tools sind die Aktionsverben, mit denen ein Plan überhaupt ausgeführt werden kann. Im Planning-Schritt entscheidet der Agent, welche Tools welche Subtasks erfüllen. Ohne Tool-Use bleibt der Plan eine reine Textgeneration, mit Tool-Use wird er zur ausführbaren Workflow-Spezifikation. MCP-Server und Function Calling sind die typischen Liefermechanismen.

Was sind die grössten Schwächen aktueller Planner?+

Drei Schwächen stechen 2026 heraus: schlechte Schätzung der eigenen Erfolgswahrscheinlichkeit, fehlende Long-Horizon-Konsistenz über viele Schritte, sowie blinder Optimismus bei Tool-Outputs. Benchmarks wie AgentBench und WebArena machen sichtbar, dass die meisten Agenten jenseits von zehn Schritten stark verlieren.

Quellen

ReAct Paper (Yao et al., 2022)
Tree of Thoughts (Yao et al., 2023)
Plan-and-Solve Prompting (Wang et al., 2023)

Zuletzt geprüft: 2026-07-02